为解决综合能源生产单元(integrated energy production unit,IEPU)中燃煤机组碳捕集过程的高能耗问题,同时应对新能源不确定性对运行调度带来的挑战,该文提出一种考虑太阳能辅助碳捕集技术的IEPU随机低碳调度策略,旨在实现IEPU的多能...为解决综合能源生产单元(integrated energy production unit,IEPU)中燃煤机组碳捕集过程的高能耗问题,同时应对新能源不确定性对运行调度带来的挑战,该文提出一种考虑太阳能辅助碳捕集技术的IEPU随机低碳调度策略,旨在实现IEPU的多能协同与低碳运行。首先,对含太阳能辅助碳捕集热电联产单元(combined heat and power based on solar-assisted carbon capture,CHP-SACC)的能量流动与运行机理进行分析,并构建其运行模型;其次,考虑风电不确定性带来的影响,提出一种基于条件最小二乘生成对抗网络(conditional-least squares generative adversarial networks,C-LSGANs)的可再生能源场景生成方法来提高场景的生成质量;然后,考虑异质能流耦合约束、多元设备运行约束以及能量平衡约束等,以最大化系统运行收益期望为目标构建IEPU随机低碳调度模型;最后,在算例仿真中设置不同的运行策略验证所提低碳转型方案的有效性,并分析了能源价格、设备容量等因素对系统运行收益的影响。展开更多
以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良...以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良3个角度全面提高预测准确性与模型智能性。首先,采用动态权重特征选择算法、孤立森林算法以及最邻近节点算法筛选并处理数据,便于预测模型更好把握其中特征;其次,对长短期记忆(long short term memory,LSTM)基模型多角度优化,并根据基模型中不同信息的特点,构建关于LSTM的多元注意力框架(Multielement-attention-LSTM),将此框架用于对LightGBM集成学习模型的引导,并通过多种可视化方法提高了模型可解释性;最后,将Bland-Altman应用于模型输出与实际风电出力一致性检验,在预测数据与实际数据交互的基础上实现训练–预测闭环机制。仿真结果表明,所构建的Multielement-attention-LSTM框架具有提高模型预测精度的作用,且闭环更新机制具备合理性。展开更多
文摘为解决综合能源生产单元(integrated energy production unit,IEPU)中燃煤机组碳捕集过程的高能耗问题,同时应对新能源不确定性对运行调度带来的挑战,该文提出一种考虑太阳能辅助碳捕集技术的IEPU随机低碳调度策略,旨在实现IEPU的多能协同与低碳运行。首先,对含太阳能辅助碳捕集热电联产单元(combined heat and power based on solar-assisted carbon capture,CHP-SACC)的能量流动与运行机理进行分析,并构建其运行模型;其次,考虑风电不确定性带来的影响,提出一种基于条件最小二乘生成对抗网络(conditional-least squares generative adversarial networks,C-LSGANs)的可再生能源场景生成方法来提高场景的生成质量;然后,考虑异质能流耦合约束、多元设备运行约束以及能量平衡约束等,以最大化系统运行收益期望为目标构建IEPU随机低碳调度模型;最后,在算例仿真中设置不同的运行策略验证所提低碳转型方案的有效性,并分析了能源价格、设备容量等因素对系统运行收益的影响。
文摘以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良3个角度全面提高预测准确性与模型智能性。首先,采用动态权重特征选择算法、孤立森林算法以及最邻近节点算法筛选并处理数据,便于预测模型更好把握其中特征;其次,对长短期记忆(long short term memory,LSTM)基模型多角度优化,并根据基模型中不同信息的特点,构建关于LSTM的多元注意力框架(Multielement-attention-LSTM),将此框架用于对LightGBM集成学习模型的引导,并通过多种可视化方法提高了模型可解释性;最后,将Bland-Altman应用于模型输出与实际风电出力一致性检验,在预测数据与实际数据交互的基础上实现训练–预测闭环机制。仿真结果表明,所构建的Multielement-attention-LSTM框架具有提高模型预测精度的作用,且闭环更新机制具备合理性。